晋程绣，姜 超，张曦月

CMIP6模式对中国西南地区气温的模拟与预估*

晋程绣，姜 超**，张曦月

（北京林业大学生态与自然保护学院, 北京 100083）

应用1961−2014年CN05.1月平均气温观测数据集，以及国际耦合模式比较计划第六阶段(CMIP6)的19个全球气候模式数据，基于泰勒图、泰勒指数和年际变化技巧评分，系统评估了CMIP6模式对中国西南地区气温的气候态空间分布以及年际变化的模拟能力，并预估该地区未来气温在SSP1−2.6、SSP2−4.5、SSP3−7.0和SSP5−8.5情景下的变化特点。结果表明：（1）与其他季节相比，大多数CMIP6模式对研究区1961−2014年秋季气温气候态空间分布的模拟表现最好；CMIP6模式模拟四季和年平均气温年际变化的结果整体偏低。19个模式中对西南地区气温模拟较好的模式有ACCESS−CM2、CMCC−CM2−SR5和CMCC−ESM5。（2）3个较优模式的等权重集合，在模拟气温的气候态空间分布和年际变化方面优于19个模式的等权重集合。（3）与1961−2014年同期观测结果的多年平均气温相比，未来西南地区四季及年平均气温在4种情景下均呈升高趋势，四季和年平均气温升高0.94～3.48℃。4种气候情景下均表现为夏季升温最多（2.17～3.48℃），且夏季平均气温的年际波动幅度最小；冬季升温最少(0.94～2.24℃)，其年际波动幅度最大。（4）在21世纪初，4种情景间季节和年平均气温的升高趋势差异不大，随着时间的推移，到21世纪中期，高辐射强迫情景下气温的升高趋势逐渐高于低辐射强迫情景。（5）在4种情景下，21世纪初期（2015−2034年）、中期（2045−2064年）及末期（2081−2100年）的多年平均气温与历史（1961−2014年）观测气温的距平值均呈现西北大于东南、高纬度高海拔地区大于低纬度低海拔地区的空间分布特点。随着时间推移，在21世纪末期，同一地区高辐射强迫情景的气温距平值明显高于低辐射强迫情景。

CMIP6模式；西南地区；气温变化；评估；预估

气候系统模式被认为是进行气候模拟和预估未来气候变化不可替代的工具[1]。自20世纪90年代以来，在世界气候研究计划（World Climate Research Program, WCRP）的推动下，气候系统模式得到了快速发展[2]。气候系统模式为减缓和适应气候变化的决策制定提供了重要依据[3]，模式发展水平的高低已经成为衡量一个国家科技综合实力的重要指标之一[4]。国际耦合模式比较计划（Coupled Model Intercomparison Project phase, CMIP）由世界气候研究计划下的耦合模式工作组组织[5]，目前，CMIP已经发展到第六阶段（CMIP6），与第五阶段（CMIP5）相比，CMIP6在分辨率和试验设计上均有所提升和发展，而且CMIP6设计的试验更多，模拟的物理过程更复杂[6]，改善了试验的动态过程[7−9]，同时修正了CMIP5中长期存在的模式偏差等问题[7]。CMIP6的未来气候预估情景综合考虑了共享社会经济途径（shred socioeconomic pathways，SSPs）和典型浓度途径（representative concentration pathways，RCPs），与早期版本不同的是，新的情景既包括人口、经济发展、生态系统、资源和社会因素等未来的社会和经济发展，还包括未来减缓、适应和应对气候变化的努力措施[10]。CMIP6模式的模拟结果将作为未来几年研究气候变化的依据[11]。

近年来，气候变化已经给人类的生存与发展提出了一个重大挑战。气候变化与生态系统健康、农业粮食安全和社会经济发展密切相关，是目前被广泛关注的问题之一[12]，而气温是气候变化的重要指标[6]。IPCC第五次评估报告指出，1880−2012年全球平均气温升高了0.85℃（0.65～1.06℃），预计到21世纪末期，全球平均气温将比1986−2005年高0.3～4.8℃[13]，全球平均气温呈明显的升高趋势[14]。有研究表明，气温增加会改变生态系统的组成、结构和功能[15]，使得高山植被的适应性减弱[13]，影响农业产出，从而影响人民生活以及经济发展[16]，威胁生态安全[17]。在全球变暖背景下，中国也存在着显著的变暖趋势[16−18]。西南地区作为中国水资源最丰富的地区之一，气温的变化将会对局地及其下游地区水资源产生显著影响[19]，此外，随着气温的升高，西南地区极端天气气候事件频发，给当地人民群众的生命财产安全和经济社会发展造成了重大损失。而且西南地区海拔差异大，地形复杂，是中国气温变化的敏感地带[20−21]。因此，基于CMIP6模式数据，合理预估中国西南地区未来气温的变化是非常有必要的。但受全球系统的复杂性、模式的代表性和可靠性问题等因素的影响，不同的模式对气温变化的模拟存在一定差异，有必要从多时空尺度定量评估模式对气温的模拟能力[22]，使得预估结果具有更高的可信度。所以，在使用CMIP6模式对中国西南地区气温开展预估之前，需要首先系统评估相关模式对西南地区历史气温的模拟表现。

已有研究中，有不少学者使用CMIP6模式对中国地区气温进行模拟评估及预估，孟雅丽等[23]基于CMIP6模式分析青藏高原地区1961−2100年气温的时空变化，发现青藏高原气温在四种SSP情景下均呈增加趋势，其中帕米尔高原、藏北高原中西部和巴颜喀拉山区是升温高值区；Yang等[6]评估CMIP6模式对中国气温的模拟能力，并对未来气温变化进行预估，研究得出CMIP6模式能够较好地再现中国气温的空间分布，大多数模式也可以合理地捕捉平均气温的年际变化，预计到21世纪末，中国气温每年都会增加，在SSP5−8.5情景下，气温的增幅最大。目前，还没有研究对CMIP6模式模拟中国西南地区气温的能力开展评估。因此，本研究拟评估CMIP6模式在西南地区气温方面的模拟表现，并基于评估结果预估未来气温的变化。此外，以往研究有使用多模式集合[24−25]或者较优模式集合[26]来预估气候，所以比较不同的模式集合方案对西南地区气温的模拟结果，也是本研究的一个重点。

以往研究多从区域平均气温的角度评估模式对气温的模拟能力[27]，但西南地区过去的气温变化并不表现出简单的线性增温，因此，非常有必要从多角度评估模式对西南地区历史时期气温的模拟能力。本文将利用CN05.1月平均气温观测数据，从多角度评估CMIP6的19个模式模拟中国西南地区气温的能力。首先基于泰勒图分析模式对西南地区季节和年平均气温气候态空间分布的模拟能力，并计算单个模式的泰勒指数，量化泰勒图中每个模式的模拟结果；再计算每个模式的年际变化技巧评分，评估每个模式对季节和年平均气温年际变化的模拟结果。根据单个模式的评估结果选出综合模拟能力较好的模式，并对其进行等权重集合，并对19个模式进行等权重集合，比较两种集合方案，选择与观测结果吻合程度更高的模式集合方案，用以预估西南地区21世纪气温的时空变化特点，为该地区生态资源保护提供理论基础。

1 资料与方法

1.1 研究区概况

研究区域（21.25°−36.5°N, 84°−112°E）位于中国西南地区，主要包括四川、云南、重庆、广西和贵州五省市及西藏东部和青海南部地区，研究区域及其海拔分布如图1所示。

图1 中国西南地区的研究区域

1.2 数据及其来源

气温观测数据来自CN05.1格点化数据集[28]，该数据集基于全国2400多个国家级台站观测资料，包括1961−2017年月平均气温格点资料，空间分辨率为0.25°×0.25°。

模式的历史（1850−2014年）模拟数据来自CMIP6的19个气候模式，表1为19个CMIP6模式的基本信息，模式数据的时间分辨率为月，更多细节可参阅https://esgf-node.llnl.gov/ search/cmip6/。由于模式的空间分辨率各不相同，为了统一19个模式数据与观测数据的空间分辨率，使用双线性插值方法，将所有模式数据插值到0.25°×0.25°的空间分辨率上。为了更好评估模式的模拟能力，观测气温及模式历史模拟数据的时间长度均取1961−2014年。

预估未来气温使用以上19个模式在SSP1−2.6、SSP2−4.5、SSP3−7.0和SSP5−8.5这4种情景下的预估数据，时间长度为2015−2100年。4种情景分别代表了不同程度的辐射强迫，且辐射强迫程度逐渐增加。SSP1−2.6代表低社会脆弱性、低减缓压力和低辐射强迫的综合影响，2100年辐射强迫稳定在2.6W·m−2；SSP2-4.5代表中等社会脆弱性与中等辐射强迫的组合，到2100年辐射强迫稳定在4.5W·m−2；SSP3-7.0代表高社会强迫与相对高的人为辐射强迫的总和，至2100年时辐射强迫达到7.0W·m−2；SSP5-8.5代表2100年辐射强迫达到8.5 W·m−2[13]。

1.3 方法

1.3.1 地形校正

为减小不同模式由于所使用地形数据不同所产生的误差，在对模式数据插值后，根据各模式与观测数据的地形资料对地表气温进行地形效应校正[29]，计算公式为

表1 19个气候模式的基本信息

1.3.2 泰勒图

此外，引入定量化指标泰勒指数（S），将模拟场与观测场之间的相关系数以及两者的标准差定量化，评估模式模拟能力的优劣程度[33]，即

1.3.3 年际变化技巧评估

式中，sdm和sdg分别是模式模拟值和观测值1961−2014年季节和年尺度区域平均气温多年变化的标准差，IVS是一个对称变率统计量，用于量化模式模拟与观测平均气温年际变化的相似性，IVS值越小，表明模式对西南地区气温年际变化的模拟性能越好。

1.3.4 多模式集合

一般，多模式集合技术可以明显改善模式对气温的模拟结果[34−35]，为了使预估结果更可信，评估较优模式集合和全模式集合这两种集合方案与观测结果的吻合程度，从中选优。选择较优模式进行等权重集合时，首先统计每个模式泰勒指数和年际变化技巧评分排名在总模式个数（19个）前1/3位（即前6名）的次数，进而筛选出总次数多于5次的模式进行等权重集合；全模式集合则是对CMIP6的19个模式进行等权重集合。

等权重模式集合（multi-model ensemble mean，MME）方法为

式中，M为参与模式集合的模式总数，Modt为第t个参与模式集合的模式模拟结果。

1.3.5 预估未来气温变化

选择较优模式集合和全模式集合中与观测结果吻合程度更高的模式集合，分析在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5这4种情景下，西南地区气温在2015−2100年初期（2015−2034年）、中期（2045−2064年）以及末期（2081−2100年）的时空变化。

2 结果与分析

2.1 单个模式对西南地区历史气温的模拟能力评估

图2为CMIP6的19个模式模拟西南地区1961−2014年季节和年平均气温气候态空间分布结果与观测结果的泰勒图。由图可见，19个模式模拟四季平均气温气候态空间分布的结果与观测场的相关系数都超过了0.95，并通过0.05水平的显著性检验，其中秋季（图2c）有超过50%的模拟场与观测场的相关系数超过了0.99，整体大于其他季节。从中心化均方根误差来看，冬季（图2d）模拟场与观测场的中心化均方根误差最大，其次依次为夏季（图2b）、春季（图2a）和秋季。从标准偏差来看，春季所有模拟场与观测场的标准偏差均大于1；夏季和冬季均有超过60%的模拟场与观测场的标准偏差大于1，泰勒图显示19个模式对冬季平均气温气候态空间分布的模拟具有更大的不确定性；秋季有超过55%的模拟场与观测场的标准偏差在1～1.22，标准偏差较接近1。四季中，CMIP6模式对西南地区秋季平均气温气候态空间分布的模拟效果最好。

CMIP6的19个模式对于1961−2014年气温气候态空间分布的模拟能力相差不大（图2e），模拟场与观测场的相关系数为0.97～1，通过0.05水平的显著性检验，略小于秋季模拟场与观测场的相关系数，但是整体上大于其他季节模拟场与观测场的相关系数。超过90%的模拟场与观测场的标准偏差大于1.22；19个模拟场与观测场的中心化均方根误差整体大于秋季，但小于其他季节。

计算每个模式的泰勒指数，并对各模式在四季以及年尺度的泰勒指数排名，结果如表2所示。由表可见，对西南地区1961−2014年四季和年气温气候态空间分布模拟较好的模式是CMCC−CM2−SR5和CMCC−ESM2，这两个模式四季和年尺度上的泰勒指数均在前6名。部分模式在不同季节以及年的泰勒指数排名存在较大差异，如ACCESS−CM2年尺度的泰勒指数为第5名，在春季和冬季均为第2名，而夏季和秋季泰勒指数分别为第15名和第8名，因为夏季该模拟场与观测场的标准偏差偏大，达到了1.26，使得其夏季泰勒指数排名落后较多；此外模式INM-CM4-8夏季和秋季的泰勒指数均在前3名，但春季和冬季分别为第10名和第11名，这是因为在春季和冬季中该模拟场与观测场的相关系数分别为0.96和0.95，与其他模拟场相比偏小。对西南地区气温气候态空间分布模拟能力相对较弱的是CanESM5、E3SM-1-1-ECA和IPSL-CM6A-LR，这3个模式四季和年的泰勒指数排名均在后6名。

为了量化CMIP6的19个模式模拟西南地区1961−2014年区域平均气温多年变化的能力，计算每个模式在四季和年尺度上的年际变化技巧评分，并对每个模式的年际变化技巧评分进行排名如表2所示。CMIP6的19个模式中，MIROC6在年尺度上的年际变化技巧评分为第1名，然而该模式四季的年际变化技巧评分均在6名之后；类似的还有CESM2-WACCM，其夏季年际变化技巧评分为第1名，但是在其他季节和年的年际变化技巧评分并不靠前。INM-CM4-8的年际变化技巧评分在春季和秋季分别是第1名和第2名，而夏季和冬季以及年尺度均排在后6名，这是由于模式对夏季、冬季和年平均气温年际变化的模拟与观测结果的标准偏差较大。秋季和冬季年际变化技巧评分第1名的模式分别为NorESM2−MM和INM−CM5−0，但是这两个模式年和夏季的年际变化技巧评分分别为第13和第15名。CanESM5、E3SM−1−1和E3SM−1−1−ECA这三个模式的年际变化技巧评分在年和四季的排名整体靠后，均在后6名，所以，这三个模式对西南地区1961−2014年四季和年区域平均气温多年变化的模拟结果与其他模式相比有更大偏差。

图2 CMIP6的19个模式对1961−2014年西南地区气温气候态空间分布的模拟相对于观测场的泰勒图

注：泰勒图内的实心图形代表19个模拟场，横轴上的空心圆为观测场。下同。

Note: The solid figures in the Taylor diagram were 19 simulation, and the hollow circle on the axis was observation. The same as below.

表2 19个CMIP6模式模拟西南地区年和季节平均气温的泰勒指数和年际变化技巧评分排名

筛选出四季和年尺度泰勒指数和年际变化技巧评分排在前6名次数共超过5次的模式，分别为ACCESS-CM2、CMCC-CM2-SR5和CMCC-ESM2，以上3个模式为较优模式。

2.2 较优模式集合与全模式集合的模拟能力评估

为了更准确地预估西南地区的气温，对评估筛选出的较优模式以及所有的CMIP6（19个模式）模式分别进行等权重模式集合，两种模式集合分别称为较优模式集合和全模式集合。首先评估两种模式集合对西南地区1961-2014年平均气温气候态空间分布的模拟结果，两种模式集合的模拟结果与观测结果的泰勒图如图3所示。较优模式集合模拟四季和年平均气温气候态空间分布的结果与观测场的相关系数为0.97～1，其与观测场的相关系数略强于全模式集合与观测场的相关系数，且较优模式集合的中心化均方根误差均小于全模式集合。从标准偏差来看，秋季（图3c）全模式集合与观测场的标准偏差更接近1；夏季较优模式集合和全模式集合的标准偏差差别不大，两个模式集合与观测场的标准偏差都较接近1，这是因为在夏季不同模式与观测的标准差相差不大，集中在8.40～11.60；但是在其他季节以及年（图3e）尺度上较优模式集合与观测场的标准偏差明显比全模式集合更接近1。总的来说，较优模式集合与观测场的距离更近，较优模式集合对西南地区1961-2014年平均气温气候态空间分布的模拟与观测结果更加吻合。

图4为1961−2014年西南地区观测、全模式集合和较优模式集合模拟的四季和年区域平均气温的多年变化。由图可见，全模式集合和较优模式集合都可以再现西南地区1961−2014年季节和年平均气温升高的时间变化特点。两种模式集合模拟平均气温的年际波动幅度都明显小于观测值，这是由于进行多模式集合的等权重系数法对极值有平滑作用[32]，而且可以看到，全模式集合模拟平均气温的年际波动幅度小于较优模式集合，参与模式集合的模式个数越多，气温年际波动的幅度就会越小。观测结果表明，1961−2014年西南地区春季多年平均气温为6.87℃，而全模式集合和较优模式集合模拟值分别为5.43℃和6.47℃，均低于观测结果，其中较优模式集合模拟春季区域平均气温的多年变化特点与观测结果吻合程度更高。两个模式集合对夏季区域平均气温多年变化的模拟没有显著的冷偏差，全模式集合的模拟偏差更小，因为较优模式集合中，ACCESS−CM2和CMCC−ESM5这两个模式的夏季年际变化技巧评分分别为第13名和第12名，并未显著优于其他模式，使得较优模式集合对夏季区域平均气温多年变化的模拟偏差略大于全模式集合。与夏季相反，较优模式集合和全模式集合对冬季区域平均气温多年变化的模拟存在较大冷偏差，全模式集合和较优模式集合模拟冬季多年平均气温分别为−4.80℃和−2.90℃，而冬季多年平均气温观测值为−1.89℃，不难看出全模式集合的模拟结果比观测结果偏低更多。观测结果显示秋季1961−2014年多年平均气温为7.08℃，而两种模式集合模拟秋季的多年平均气温分别为6.10℃和7.06℃。1961−2014年西南地区年平均气温在5.81～7.67℃波动，但是全模式集合与较优模式集合模拟年平均气温的波动范围分别在4.80～6.04℃和5.63～7.14℃，均低于观测结果。综上，两种模式集合对西南地区四季和年平均气温的模拟均存在不同程度的冷偏差。除夏季外，较优模式集合对其他三个季节区域平均气温多年变化的模拟能力要优于全模式集合。总的来说，较优模式集合对西南地区气温气候态空间分布和年际变化的模拟与观测结果吻合程度更高，因此，选择较优模式集合分析西南地区2015−2100年气温变化特征。

图3 全模式集合和较优模式集合对1961−2014年西南地区气温气候态空间分布的模拟相对于观测场的泰勒图

图4 观测、全模式集合和较优模式集合模拟1961−2014年西南地区区域平均气温的多年变化

2.3 较优模式集合对西南地区未来气温变化的模拟结果分析

2.3.1 气温的时间变化

图5为西南地区四季和年平均气温在历史时期（1961−2014年）以及未来（2015−2100年）4种情景下的时间序列，历史时期气温变化数据采用观测气温，未来气温变化数据采用较优模式集合在4种情景下的预估值。由图5a−图5d可见，在4种情景下，未来四季平均气温均呈逐渐升高的时间变化特点，但在不同季节，气温升高的程度有所差异。在SSP1−2.6情景下，2015−2100年春季、夏季、秋季和冬季的多年平均气温分别比1961−2014年同期升高1.40℃、2.17℃、1.92℃和0.94℃；SSP2−4.5/SSP3− 7.0情景下，2015−2100年四季的多年平均气温分别升高1.71℃/1.98℃、2.48℃/2.78℃、2.32℃/2.52℃和1.30℃/1.54℃；而在SSP5−8.5情景下，2015−2100年四季多年平均气温分别比1961−2014年同期升高2.63℃、3.48℃、3.33℃和2.24℃，可以看到在4种情景下均以夏季的多年平均气温升高最多，冬季升温最少。以外，计算2015−2100年四季平均气温的逐年差值（图略）发现，在不同季节，气温的年际波动幅度有明显差异，4种情景均以夏季平均气温的年际波动幅度最小，逐年差值为0.12～0.17℃，相反，冬季平均气温的年际波动幅度最大，其平均气温的逐年差值为−0.30～0.37℃。值得注意的是，在2015−2100年初期（2015−2034年），不同情景间预估四季平均气温结果的差别较小，且预估结果还存在低于历史同期多年平均气温的现象；从中期（2045−2064年）开始，高辐射强迫情景下预估的四季平均气温结果逐渐高于低辐射强迫情景，到末期（2081−2100年），4种情景预估四季平均气温结果的差异更加显著。

图5 历史时期（1961−2014年）观测区域平均气温和较优模式集合在4种情景下预估2015−2100年区域平均气温的年际变化

注：灰色虚线为历史时期与未来的分割线。

Note: The gray dotted line in the figure separated the historical period and the future.

历史时期（1961−2014年）和预估未来（2015−2100年）年平均气温的时间序列如图5e所示。由图可见，在全球变暖的背景下，4种情景下西南地区未来年平均气温呈现一定程度的升高趋势。相较于1961−2014年的多年平均气温（6.60℃），2015−2100年西南地区多年平均气温在SSP1−2.6情景下升高约1.61℃，而在SSP2−4.5和SSP3−7.0情景下升高1.95℃和2.21℃，SSP5−8.5情景下多年平均气温比1961−2014年升高约2.92℃，高辐射强迫情景气温的升高幅度大于低辐射强迫情景。西南地区未来年与四季平均气温的时间变化相似的是，在21世纪初期（2015−2034年），4种情景下预估平均气温的结果差别较小，从中期（2045−2064年）开始，高辐射强迫下预估的平均气温结果逐渐高于低辐射强迫情景的预估结果。

2.3.2 气温的空间变化

图6为较优模式集合在4种情景下预估西南地区21世纪初期（2015−2034年）、中期（2045−2064年）和末期（2081−2100年）的多年平均气温与历史时期（1961−2014年）观测气温距平的空间分布图。由图可见，气温距平值在4种情景、3个时期下的空间分布特点具有较强的一致性，距平值整体都呈现西北大于东南、高纬度大于低纬度以及高海拔大于低海拔的空间分布特点，类似的高纬度和高海拔增温放大效应在全国[2]和全球[7,35]尺度上同样存在。图6显示，在105°E以西的四川西北部、青海南部和西藏南部等高纬度高海拔地区的气温距平值大于其他地区，在102°E以东的四川东部与青海交界处、西藏东南部、四川与西藏交界处以及四川南部与云南交界处等低纬度低海拔地区，气温距平值较小，在初期和中期，4种情景下这些地区的气温距平值出现略小于0℃的情况，小于0℃的距平值大小主要集中在−2～0℃。

a.初期 Early period (2015−2034), b.中期Middle period(2045−2064), c. 末期End period(2081−2100), 1.SSP1−2.6,2. SSP2−4.5, 3. SSP3−7.0, 4. SSP5−8.5

从图6可以看出，在相同时期，同一地区的气温距平值随着辐射强迫的升高而增大，尤其在21世纪中期（2045−2064年）和末期（2081−2100年），距平值随辐射强迫升高而增加更多；同一情景下，随着时间的推移，同一地区的气温距平值逐渐增大，在高辐射强迫情景下，距平值随时间的推移升高更加显著。例如SSP5−8.5情景下，初期（2015−2034年）的平均距平值为0.75℃，中期（2045−2064年）和末期（2081−2100年）的平均距平值分别为2.54℃和5.33℃，显著高于初期（2015−2034年）。总体来看，气温距平值在SSP5−8.5的末期（2081−2100年）整体达到最高，其中在西藏东南部等地区气温距平值最大可以达到14.55℃，仅四川南部与云南交界处极少部分区域为−0.20～0℃。

3 结论与讨论

3.1 结论

（1）CMIP6的19个模式对西南地区1961−2014年四季和年气温气候态的模拟中，模式对秋季气温气候态空间分布的模拟表现最好。CMIP6模式对西南地区四季和年区域平均气温多年变化的模拟结果显示，模式对四季和年区域平均气温的模拟效果整体偏低，其中对冬季平均气温模拟的冷偏差最显著。19个模式中对西南地区气温的综合模拟能力表现较好的模式有ACCESS−CM2、CMCC−CM2−SR5和CMCC−ESM2。

（2）较优模式集合对西南地区1961−2014年四季和年气温气候态空间分布的模拟表现明显好于全模式集合。除夏季外，较优模式集合对其他季节及年区域平均气温多年变化的模拟均明显好于全模式集合。总的来说，仍是较优模式集合对西南地区气温时空变化的模拟表现较好。

（3）4种情景下，较优模式集合预估未来（2015−2100年）四季和年区域平均气温比1961−2014年同期增加0.94～3.48℃。4种情景均以夏季升温最多（2.17～3.48℃），且夏季平均气温的年际波动幅度最小，冬季升温最少（0.94～2.24℃），冬季平均气温的年际波动幅度最大。初期4种情景下四季和年区域平均气温的升高幅度差异不大，从中期开始，高辐射强迫情景下气温的升高幅度逐渐高于低辐射强迫情景。

（4）4种情景下，西南地区21世纪初期、中期和末期的多年平均气温与历史气温距平值呈现西北大于东南、高纬度高海拔地区大于低纬度低海拔地区的空间分布特点。在4种情景的初期和中期，四川东部与青海交界处、西藏东南部、四川与西藏交界处以及四川南部与云南交界处距平值小于0℃，到末期，4种情景下气温距平值小于0℃的区域面积显著少于初期和中期。在SSP5−8.5情景的末期，仅四川与云南交界处极小部分区域的气温距平值略小于0℃。

3.2 讨论

目前，已有研究评估CMIP6模式模拟中国气温的表现，如Jiang等[34]研究指出，CMIP6模式对中国秋季和冬季气温气候态空间分布的模拟表现好于其他季节。虽然本研究评估CMIP6模式模拟西南地区气温的空间分布时，也发现模式对该地区秋季气温气候态空间分布的模拟好于其他季节；但值得注意的是，与Jiang等[34]研究结论不同，本研究发现模式对西南地区冬季气温气候态空间分布的模拟并未好于其他季节，这一差异可能是由于西南地区海拔差异大，模式无法充分反映雪反照率反馈[36]，使得模式对该地区寒冷季节气温的模拟偏差更大。与CMIP5模式集合模拟青藏高原气温偏低的特点类似[29]，本研究再次证实了模式对气温的模拟存在系统性低估，表明CMIP6模式在模拟气温时仍然存在冷偏差的问题。Chen等[37]探讨CMIP5模式模拟青藏高原气温存在冷偏差的原因时指出，一系列物理上相互关联的过程造成了模型模拟的冷偏差，如较小的地面湍流量导致较低的对流层温度，使模式模拟气温的过程中往往存在一定程度的冷偏差。比较特殊的是，本研究基于CMIP6模式集合模拟西南地区四季及年平均气温的冷偏差为0.02～2.83℃，而胡芩等[29]评估CMIP5模式集合模拟青藏高原四季和年平均气温的结果，发现模拟结果比观测结果偏低1.20～3.50℃，显著高于本研究的结果，由此来看，CMIP6模式模拟该地区气温的冷偏差小于CMIP5，造成这一差异的原因可能是CMIP6模式相对于CMIP5模式在试验设计和分辨率等方面均有所改进，减小了模式模拟气温的冷偏差。多模式集合技术可以提高模拟的准确度[27,32]，但不同的模式集合方案模拟性能有所不同。胡芩等[29]对比不同模式集合的模拟性能，发现在对单个模式进行评估的基础上择优挑选的模式集合的模拟性能好于简单的所有模式集合，这一结论在本研究也得到了验证。

Yang等[6]基于CMIP6较优模式集合预估中国未来气温，发现在SSP2−4.5和SSP5−8.5这两个情景下，2081−2100年中国平均气温比1995−2014年平均气温分别升高2.40℃和4.80℃，本研究发现在相同的情景下，西南地区同期平均气温分别升高2.64℃和4.89℃，高于全国的平均升幅，这是因为西南区域青藏高原的增温幅度显著高于全国其他地区[6]。不同情景间，气温的预估结果有所差异，张艳武等[38]基于CMIP5模式预估中国地区气温时指出，在21世纪初期，不同情景间预估结果差别较小，到21世纪中期，各情景间气温预估结果的差异逐渐增大，本研究基于CMIP6模式预估西南地区未来气温随情景的变化时，也发现了相同的变化规律。许多研究已经证实，未来中国气温在高纬度高海拔地区的升幅要高于低纬度低海拔地区[33,39]，这与本研究预估西南地区未来气温的空间变化特点基本吻合，未来西南地区增温幅度较高的地区主要集中在102°E以西的四川西北部、四川和青海交界处以及青藏高原等高纬度高海拔地区。在4种情景下初期（2015−2034年）和中期（2045−2064年），气温距平值主要集中在0～4℃。随着辐射强迫的升高，气温距平值逐渐增大，到SSP5−8.5情景的末期（2081−2100年），距平值整体达到最大，仅四川与云南交界处极小部分区域，气温距平值小于0℃，在以往使用CMIP5模式集合预估西南地区未来气温变化时，也发现四川西南部与云南交界处为增温低值区[27]。

CMIP6模式在分辨率、运行机制以及试验设计上相比于CMIP5有较大进步，但受模式本身及未来排放情景设计中的不确定性等多重因素的影响，模式对未来气温的预估结果仍存在一定的不确定性[40]，而且，中国西南地区地理位置特殊、地形复杂，模式与观测资料的海拔高度相差较大、下垫面及站点稀疏等因素，导致模式对这一地区气温准确模拟的难度更大。此外，本研究在进行模式集合时，使用的是较常用的等权重算术平均的方法，有研究指出，在实现模式集合时，按照各模式的模拟表现，对各模式分配不同的权重系数进行模式集合，也可以提高模式模拟的准确度[27,38]。今后可以进一步探讨不同的权重系数进行模式集合对模拟结果准确性的影响。

[1] 辛晓歌,吴统文,张洁.BCC气候系统模式开展的CMIP5试验介绍[J].气候变化研究进展,2012,8(5):378-382.

Xin X G,Wu T W,Zhang J.Introduction of CMIP5 experiments carried out by BCC climate system model[J]. Progressus Inquisitiones de Mutatione Climatics,2012, 8(5):378-382.(in Chinese)

[2] 赵亮,刘建,靳春寒.CMIP5多模式集合对江苏省气候变化模拟评估及情景预估[J].气象科学,2019,39(6):739-746.

Zhao L,Liu J,Jin C H.Evaluation and projection of climate change in Jiangsu province based on the CMIP5 multi- model ensemble mean datasets[J].Journal of Meteorological Sciences,2019,39(6):739-746.(in Chinese)

[3] Cowtan K,Hausfather Z,Hawkins E,et al.Robust comparison of climate models with observations using blended land air and ocean sea surface temperatures[J].Geophysical Research Letters,2015,42(15):6526-6534.

[4] 周天军,陈梓明,邹立维,等.中国地球气候系统模式的发展及其模拟和预估[J].气象学报,2020,78(3):332-350.

Zhou T J,Chen Z M,Zou L W,et al.Development of climate and earth system models in China:past achievements and new CMIP6 results[J].Journal of Meteorology,2020,78(3): 332-350.(in Chinese)

[5] Eyring V,Bony S,Meehl G A,et al.Overview of the Coupled Model Intercomparison Project Phase 6(CMIP6) experimental design and organization[J].Geoscientific Model Development, 2016,9(5):1937-1958.

[6] Yang X L,Zhou B T,Xu Y,et al.CMIP6 evaluation and projection of temperature and precipitation over China[J]. Advances in Atmospheric Sciences,2021,38(5):817-830.

[7] Jian B D,Li J M,Zhao Y X,et al.Evaluation of the CMIP6 planetary albedo climatology using satellite observations[J]. Climate Dynamics,2020,54:5145-5161.

[8] 张丽霞,陈晓龙,辛晓歌,等.CMIP6情景模式比较计划(ScenarioMIP)概况与评述[J].气候变化研究进展,2019, 15(5):519-525.

Zhang L X,Chen X L,Xin X G,et al.Short commentary on CMIP6 Scenario Model Intercomparison Project(ScenarioMIP)[J]. Climate Change Research,2019,15(5):519-525.(in Chinese)

[9] 赵彦茜,肖登攀,柏会子.CMIP5气候模式对中国未来气候变化的预估和应用[J].气象科技,2019,47(4):608-621.

Zhao Y Q,Xiao D P,Bai H Z.Projection and application for future climate in China by CMIP5 climate model[J]. Meteorological Science and Technology,2019,47(4):608- 621.(in Chinese)

[10] O’neill B C,Tebaldi C,Vuuren D P,et al.The scenario model intercomparison project(ScenarioMIP) for CMIP6[J]. Geoscientific Model Development,2016,9(9):3461-3482.

[11] 周天军,邹立维,陈晓龙.第六次耦合模式比较计划(CMIP6)评述[J].气候变化研究进展,2015,15(5):445-456.

Zhou T J,Zou L W,Chen X L.Commentary on the Coupled Model Intercomparison Project Phase 6(CMIP6)[J]. Climate Change Research,2019,15(5):445-456.

[12] Lun Y R,Liu L,Lei C,et al.Assessment of GCMs simulation performance for precipitation and temperature from CMIP5 to CMIP6 over the Tibetan Plateau[J].International Journal of Climatology,2021,41(7):3994-4018.

[13] IPCC.Working Group I contribution to the IPCC fifth assessment report,climate change 2013:the physical science basis: summary for policymakers[M].Cambridge: Cambridge University Press,2013.

[14] Hua W J,Chen H S,Zhou L M,et al.Observational quantification of climatic and human influences on vegetation greening in China[J].Remote Sensing,2017, 9(5):425-440.

[15] 杜泽玉,曹富强,杨荣.基于CRU资料的山西百年气温时空演变特征[J].高原气象,2021,40(1):123-132.

Du Z Y,Cao F Q,Yang R.Spatial-temporal variation of air temperature based on CRU data in Shanxi from 1901 to 2016[J].Plateau Meteorology,2021,40(1):123-132.(in Chinese)

[16] 杜勤勤,张明军,王圣杰,等.中国气温变化对全球变暖停滞的响应[J].地理学报,2018,73(9):1748-1764.

Du Q Q,Zhang M J,Wang S J,et al.Changes in air temperature over China in response to the recent global warming hiatus[J].Acta Geographica Sinica,2018,73(9): 1748-1764.(in Chinese)

[17] 刘晓琼,孙曦亮,刘彦随,等.基于REOF-EEMD的西南地区气候变化区域分异特征[J].地理研究,2020,39(5):1215- 1232.

Liu X Q,Sun X L,Liu Y S,et al.Spatial division of climate change and its evolution characteristics in Southwest China based on REOF-EEMD[J].Geographical Research,2020, 39(5):1215-1232.(in Chinese)

[18] 马海云,张林林,魏学琼,等.2000-2015年西南地区土地利用与植被覆盖的时空变化[J].应用生态学报,2021,32(2): 618-628.

Ma H Y,Zhang L L,Wei X Q,et al.Spatial and temporal variations of land use and vegetation cover in Southwest China from 2000 to 2015[J].Chinese Journal of Applied Ecology,2021,32(2):618-628.(in Chinese)

[19] 周亮广,王岽,戴仕宝,等.长江2006年汛期特枯径流分析[J].自然资源学报,2009,24(3):448-456.

Zhou L G,Wang D,Dai S B,et al.A study on the exceptionally low flow of Yangtze River in the flood season of 2006[J].Journal Natural Resources,2009,24(3): 448-456.(in Chinese)

[20] 齐冬梅,李英,李跃清,等.2006年高原夏季风强弱变化及其与西南地区东部夏季气温和降水的关系[J].干旱气象,2015,33(4):555-565.

Qi D M,Li Y,Li Y Q,et al.Intensity variation of plateau summer monsoon and its relation with summer temperature precipitation in eastern part of Southwest China in 2006[J]. Journal of Arid Meteorology,2015,33(4):555-565.(in Chinese)

[21] 张永恒,范广洲,李腊平,等.西南地区植被变化与气温及降水关系的初步分析[J].高原山地气象研究,2009,29(1): 6-13.

Zhang Y H,Fan G Z,Li L P,et al.Preliminary analysis on relationships between NDVI change and its temperature and precipitation in Southwest China[J].Plateau and Mountain Meteorology Research,2009,29(1):6-13.(in Chinese)

[22] Masson D,Knutti R.Spatial-scale dependence of climate model performance in the CMIP3 ensemble[J].Journal of Climate,2011,24(11):2680-2692.

[23] 孟雅丽,段克勤,尚溦,等.基于CMIP6模式数据的1961-2100年青藏高原地表气温时空变化分析[J].2022, 44(2):1-10.

Meng Y L,Duan K Q,Shang W,et al.Spatiotemporal variations of near-surface air temperature over the Tibetan Plateau from 1961 to 2100 based on CMIP6 data[J].Journal of Glaciology and Geocryology,2022,44(2):1-10.(in Chinese)

[24] Wang Y J,Zhou B T,Qin D H,et al.Changes in mean and extreme temperature and precipitation over the arid region of northwestern:observation and projection[J].Advances in Atmospheric Sciences,2017,34(3):289-305.

[25] Tian D,Guo Y,Dong W J,et al.Future changes and uncertainties in temperature and precipitation over China based on CMIP5 models[J].Advances in Atmospheric Sciences,2015,32(4):487-496.

[26] Chen H P,Sun J Q.How the “Best” models projected the future precipitation change in China[J].Advances in Atmospheric Sciences,2009,26(4):773-782.

[27] 伍清,蒋兴文,谢洁,等.基于CMIP5资料的西南地区2020-2050年气温多模式集合预估[J].干旱气象,2018, 36(6):971-978.

Wu Q,Jiang X W,Xie J,et al.Multi-model super-ensemble prediction of air temperature in Southwestern China during 2020-2050 based on CMIP5 data[J].Journal of Arid Meteorology,2018,36(6):971-978.(in Chinese)

[28] 吴佳,高学杰.一套格点化的中国区域逐日观测资料及与其他资料的对比[J].地球物理学报,2013,56(4):1102-1111.

Wu J,Gao X J.A gridded daily observation dataset over China region and comparison with other datasets[J]. Chinese Journal of Geophysics,2013,56(4):1102-1111.(in Chinese)

[29] 胡芩,姜大膀,范广洲.CMIP5全球气候模式对青藏高原地区气候模拟能力评估[J].大气科学,2014,38(5):924-938.

Hu Q,Jiang D B,Fan G Z.Evaluation of CMIP5 models over the Qinghai-Tibetan Plateau[J].Chinese Journal of Atmospheric Sciences,2014,38(5):924-938.(in Chinese)

[30] Taykor K E.Summarizing multiple aspects of model performance in a single diagram[J].Journal of Geophysical Research:Earth Surface,2001,106(7):7183-7192.

[31] Stocker T F,Qin D H,Plattner G K,et al.IPCC:climate change 2013[J].Computational Geometry,2013,18:95-123.

[32] 陶纯苇,姜超,孙建新.CMIP5模式对中国东北气候模拟能力的评估[J].气候与环境研究,2016,21(3):357-366.

Tao C W,Jiang C,Sun J X.Evaluation of CMIP5 models performance on climate simulation in Northeast China[J]. Climatic and Environmental Research,2016,21(3):357- 366.(in Chinese)

[33] 向竣文,张利平,邓瑶,等.基于CMIP6的中国主要地区极端气温/降水模拟能力评估及未来情景预估[J].武汉大学学报(工学报),2021,54(1):46-57.

Xiang J W,Zhang L P,Deng Y,et al.Projection and evaluation of extreme temperature and precipitation in major regions of China by CMIP6 models[J].Engineering Journal of Wuhan University,2021,54(1):46-57.(in Chinese)

[34] Jiang D B,Hu D,Tian Z P,et al.Differences between CMIP6 and CMIP5 models in simulating climate over China and the East Asian Monsoon[J].Advances in Atmospheric Sciences,2020,37(10):1102-1118.

[35] 云翔,程嘉艺,李庆祥.CMIP5模式对亚洲升温幅度的模拟与预估[J].气象,2020,46(2):145-157.

Yun X,Cheng J Y,Li Q X.Estimation of CMIP5 multi-model on the extent of rise in air temperature in Asia[J].Meteor Mon,2020,46(2):145-157.(in Chinese)

[36] You Q L,Cai Z Y,Wu F Q,et al.Temperature dataset of CMIP6 modes over China:evaluation,trend and uncertainty[J]. Climate Dynamics,2021,57:17-35.

[37] Chen X L,Liu Y M,Wu G X.Understanding the surface temperature cold bias in CMIP5 AGCMs over the Tibetan Plateau[J].Advances in Atmospheric Sciences,2017,34(12): 1447-1460.

[38] 张艳武,张莉,徐影.CMIP5模式对中国地区气温模拟能力评估与预估[J].气候变化研究进展,2016,12(1):10-19.

Zhang Y W,Zhang L,Xu Y.Simulations and projections of the surface air temperature in China by CMIP5 models[J]. Climate Change Research,2016,12(1):10-19.(in Chinese)

[39] 李佳瑞,牛自耕,冯岚,等.CMIP5模式对长江和黄河流域极端气温指标的模拟与预估[J].地球科学,2020,45(6): 1887-1904.

Li J R,Niu Z G,Feng L,et al.Simulation and prediction of extreme temperature indices in Yangtze and Yellow River basins by CMIP5 models[J].Earth Sciences,2020,45(6): 1887-1904.(in Chinese)

[40] 肖登攀,赵彦茜,柏会子,等.CMIP5全球气候模式对华北平原气候的模拟和预估[J].地理与地理信息科学,2020, 36(2):75-82.

Xiao D P,Zhao Y Q,Bai H Z,et al.Simulation and projection of climate change in north China by CMIP5 multi-model[J]. Geography and Geo-Information Science,2020,36(2):75-82. (in Chinese)

Evaluation and Projection of Temperature in Southwestern China by CMIP6 Models

JIN Cheng-xiu, JIANG Chao, ZHANG Xi-yue

(School of Ecology and Nature Conservation, Beijing Forestry University, Beijing 100083, China)

Using on the CN05.1 monthly average temperature observation data set from 1961 to 2014 and the output data from 19 global climate models from Coupled Model Intercomparison Project Phase 6 (CMIP6), the simulation ability of CMIP6 models on the climatology spatial distribution and interannual variability of temperature in Southwestern China was systematically evaluated by means of Taylor diagram, Taylor index and interannual variability skill score. The variation characteristics of future temperature in this area were predicted under SSP1-2.6, SSP2-4.5, SSP3-7.0 and SSP5-8.5 scenarios. The results showed that: (1) compared with other seasons, most CMIP6 models had the best performance in simulating the spatial distribution of autumn temperature climatology during 1961-2014; and CMIP6 models underestimated the interannual variability of seasonal and annual average temperature. Among the 19 models, the best models simulated the temperature in Southwestern China were ACCESS-CM2, CMCC-CM2-SR5 and CMCC-ESM5. (2) The multi-model ensemble mean(MME) of 3 best-fit models simulated the climatology spatial distribution and interannual variability of average temperature better than the MME of 19 models. (3) Compared with the multi-year average temperature observed in the same period during 1961−2014, the seasonal and annual average temperature in Southwestern China showed an upward trend in the future under the four climatic scenarios, seasonal and annual average temeprature increased by 0.94−3.48℃. Under the four scenarios, the increase of average temperature in summer was the largest(2.17−3.48℃) and the interannual fluctuation range was the smallest, the increase of temperature in winter was the smallest(0.94−2.24℃) and the interannual fluctuation range was the largest. (4) In the early of 21st century, there was little difference in the increase of seasonal and annual average temperature under 4 scenarios. During the middle of the 21st century, the upward trend of seasonal and annual average temperature in high radiation forcing scenarios was gradually larger than that in low radiation forcing scenarios. (5) Under the four scenarios, the anomaly values of multi-year average temperature at the early (2015−2034), middle (2045−2064) and end (2081−2100) period of 21st century and the historical(1961−2014) observed temperature showed the spatial distribution characteristics that the northwest was greater than southeast of this region, and the high latitude and high altitude areas were greater than the low latitude and low altitude areas. With the passage of time, at the end of 21st century, the temperature anomaly in the same region was significantly higher under high forcing scenarios than that in low forcing scenarios.

CMIP6 models; Southwestern China; Surface air temperature change; Evaluation; Projection

10.3969/j.issn.1000-6362.2022.08.001

晋程绣,姜超,张曦月.CMIP6模式对中国西南地区气温的模拟与预估[J].中国农业气象,2022,43,(8):597-611

2021−11−09

国家自然科学基金(42175170)

姜超，副教授，主要从事全球变化生态学研究，E-mail: jiangchao@bjfu.edu.cn

晋程绣，E-mail：2904936412@qq.com